规范树

综合预测与优化规范树在可再生能源交易中的应用

摘要 — 从数据中得出决策通常涉及一个包含两个部分的连续过程，即预测和优化。预测模型通过最小化代表特定任务成本（例如交易、调度）的损失函数来学习，而不考虑下游优化，这在实践中会造成性能瓶颈并掩盖数据对决策的影响。这项工作提出了一个单一的数据驱动模块，该模块利用优化组件的结构并直接学习以解释数据为条件的策略。为此，我们描述了一种算法，通过直接最小化特定任务的成本来训练决策树集合，并通过原始问题的加权样本平均近似来规定决策。然后，我们开发了一个通用框架来评估解释数据对规定性能的影响。为了说明所提出的建模方法的有效性，我们考虑了两个与可再生能源交易相关的案例研究。首先，我们研究日前市场的交易，并提出平衡最佳交易决策和预测准确性的策略。接下来，我们添加一个存储设备，并基于使用线性决策规则方法的可处理近似值共同优化日前报价和运营策略。实证结果表明，与标准随机优化框架下得出的解决方案相比，规范性能有所提高。此外，我们还提供了关于解释性数据如何影响优化性能以及这种影响在不同市场设计下如何演变的宝贵见解。